فرا-مدل سازی عملکرد استراتژی های معاملات آتی

در این برنامه، مشاور با ایجاد یک مدل متا به عنوان یک قانون خارجی برای سیستم مکانیکی موجود، یک مدل پیش بینی از عملکرد آینده یک سیستم معاملاتی موجود ایجاد کرد. این تکنیک شاخص های سری زمانی و تحلیل رویداد را با پیش بینی های شبکه عصبی و بهینه سازی الگوریتم ژنتیک ترکیب می کند. WizWhy به طور موثر برای استخراج یک مجموعه قوانین تولید استفاده شد که برای بهبود بازده تعدیل شده ریسک سیستم معاملاتی مورد استفاده قرار گرفت.

تاجر سیستم سودآوری داشت که آن را طراحی کرده بود و در زمان واقعی در TradeStation Omega Research اجرا کرد. هدف معامله گر بهبود ویژگی های عملکرد سیستم معاملاتی با ثابت نگه داشتن یا افزایش سود و در عین حال کاهش افت (حداکثر کاهش کل تجمعی در حقوق صاحبان سهام از یک نقطه بالا در منحنی حقوق صاحبان سهام) بود. کاهش سرمایه همان چیزی است که معامله گر به شدت از آن آگاه است زیرا استحکام روده ای او را آزمایش می کند و به احتمال زیاد دلیل کنار گذاشتن یک سیستم است.

معامله گر گزارش سیستم TradeStation را برای سیستم معاملاتی از سال 1987 تا ژوئن 1997 به مشاور داد. این گزارش به یک جدول پایگاه داده با 1400 رکورد تبدیل شد که در آن هر رکورد حاوی تاریخ، زمان ورود و خروج و انواع سیگنال و سود یا سود بود. مقدار ضرر ("P& L") معامله. سه میانگین متحرک تطبیقی P& L با استفاده از ثابت های هموارسازی مختلف محاسبه شد. یک شبکه عصبی رگرسیون عمومی نیز با استفاده از میانگین متحرک تطبیقی و P& L به عنوان ورودی، و P& L یک قدم جلوتر به عنوان خروجی آموزش داده شد.

تجزیه و تحلیل سری زمانی مالی یک مشکل بسیار دشوار است زیرا فرآیندها حاوی مقدار بسیار زیادی نویز هستند و بسیار غیر ثابت هستند. شبکه های عصبی و سایر تکنیک ها به ویژه قادر به برازش داده ها در نمونه هستند و سپس روی داده های خارج از نمونه عملکرد ضعیفی دارند. همیشه توصیه می شود که مدل نهایی را روی داده هایی که هرگز توسط هیچ یک از اجزای سیستم دیده نشده است، آزمایش کنید. از 400 رکورد اول در این مورد برای آموزش و آزمایش نشانگر شبکه عصبی استفاده شد که 1000 رکورد در مجموعه تولید باقی گذاشت.

The indicator values from the moving averages and the neural network output were added to the records with the signal entry/exit types and times of the prior trade along with the signal entry type of the upcoming trade. The dependent variable was the binary P&L of the upcoming trade (>0 و<=0). WizWhy was then used to derive candidate production rules within the 1000 record production set. Rules were selected based upon two runs of WizWhy , one with a number of cases threshhold and another with a probability threshhold. Candidate rules which had strongly unbalanced distribution of successes and failures along the P&L time series were dropped. For example, if the overall rule’s probability was 80% and yet had long runs of much worse performance then the rule was dropped in favor of another rule of similar overall performance and a more evenly balanced distribution. The ten rules for each binary class were chosen.

در اکسل مایکروسافت، یک مجموعه قوانین با هر یک از قوانین داده شده که ضرر یا برد معامله بعدی را پیش بینی می کرد، ساخته شد. اگر قانون ضرر فعال بود، مشخص می شد که معامله بعدی انجام نشود، یک قانون برد فعال تعیین می کرد که اندازه معامله در معامله بعدی دو برابر می شود. به هر یک از 20 قانون یک سوئیچ روشن/خاموش داده شد و الگوریتم ژنتیک برای بهینه سازی قاعده نامزد تنظیم شده به نسبت سود/کشش بالا استفاده شد. الگوریتم ژنتیک همچنین برای کاهش تعداد قوانین استفاده شده با توجه به نسبت آستانه مشخص شده سود / کاهش استفاده شد.

روش مدل سازی متا در این مورد با افزایش سود تقریباً 100% و کاهش 50% کاهش نسبت به داده های تاریخی، هدف معامله گر را برآورده کرد.